7. Giới hạn đề tài
2.2.2Các ƣu thế của SVM trong phân lớp bàn tay[5]
Như đã biết, phân lớp bàn tay là một tiến trình đưa các bàn tay chưa biết vào các lớp bàn tay đã biết. Để thực hiện quá trình phân lớp, các phương pháp huấn luyện được sử dụng để xây dựng tập phân lớp từ các mẫu bàn tay cĩ sẵn, sau đĩ dùng tập phân lớp này để dự đốn lớp của những bàn tay mới.
Chúng ta cĩ thể thấy từ các thuật tốn phân lớp hai lớp như SVM đến các thuật tốn phân lớp đa lớp đều cĩ đặc điểm chung là yêu cầu bàn tay phải được biểu diễn dưới dạng vector đặc trưng, tuy nhiên các thuật tốn khác đều phải sử dụng các uớc lượng tham số và ngưỡng tối ưu trong khi đĩ thuật tốn SVM cĩ thể tự tìm ra các tham số tối ưu này. Trong các phương pháp thì SVM là phương pháp sử dụng khơng gian vector đặc trưng lớn nhất (hơn 10.000 chiều) trong khi đĩ các phương pháp khác cĩ số chiều bé hơn nhiều (như Nạve Bayes là 2000, k-Nearest Neighbors là 2415…).
Dữ liệu huấn luyện được sử dụng bao gồm 100 tấm hình đã được phân ngưỡng của bàn tay khép, 100 tấm hình đã được phân ngưỡng của bàn tay nắm, 100 tấm hình đã được phân ngưỡng của bàn tay xịe.
Ta cĩ bảng đánh giá giữa thuật tốn SVM và các thuật tốn học khác: FineSim (%) Naive Bayes(%) Bayes nets(%) Trees(%) SVM(%) Bàn tay nắm 50.9 60.9 70.8 80.8 95.0 Bàn tay khép 54.7 57.8 68.3 79.7 96.0 Bàn tay xịe 56.7 58.6 69.8 78.2 94.0 Bảng 2.1: Bảng đánh giá thuật tốn SVM.
Với dữ liệu huấn luyện trên đây SVM đạt độ chính xác là 95% khi lựa chọn chức năng bàn tay nắm, độ chính xác 96.0% khi lựa chọn chức năng bàn tay khép và độ chính xác 94.0% bàn tay xịe.